| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题产生的背景及意义 | 第12-13页 |
| 1.2 电力系统负荷预测研究现状 | 第13-15页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究的现状 | 第14-15页 |
| 1.3 电力系统负荷预测的主要方法 | 第15-17页 |
| 1.4 电力系统短期负荷预测的步骤 | 第17页 |
| 1.5 论文研究内容及结构安排 | 第17-19页 |
| 第2章 影响短期负荷预测的因素分析 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 历史数据的来源 | 第19-20页 |
| 2.3 异常数据处理 | 第20-21页 |
| 2.4 经济因素 | 第21页 |
| 2.5 气象因素 | 第21-28页 |
| 2.5.1 综合气象因素 | 第22-23页 |
| 2.5.2 相关性分析 | 第23-26页 |
| 2.5.3 温度的积累效应 | 第26-28页 |
| 2.6 日期类型 | 第28-30页 |
| 2.6.1 日周期性 | 第28页 |
| 2.6.2 周周期性 | 第28-29页 |
| 2.6.3 节假日规律 | 第29页 |
| 2.6.4 晴雨天因素 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 云模型优化LSSVM的电力系统负荷预测 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 云模型理论的基本概念 | 第31-34页 |
| 3.2.1 云模型的定义 | 第31-32页 |
| 3.2.2 云发生器 | 第32-33页 |
| 3.2.3 云变换 | 第33-34页 |
| 3.3 最小二乘支持向量机 | 第34-36页 |
| 3.3.1 最小二乘支持向量机的原理 | 第34-35页 |
| 3.3.2 核函数参数 | 第35-36页 |
| 3.4 云模型优化最小二乘支持向量机在短期负荷预测中的实现 | 第36-38页 |
| 3.4.1 云模型优化最小二乘支持向量机算法的改进原理 | 第36页 |
| 3.4.2 matlab仿真实验 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于不确定性分析的组合预测模型 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 不确定性分析 | 第39-40页 |
| 4.2.1 不确定性的意义 | 第39-40页 |
| 4.2.2 不确定性的判别 | 第40页 |
| 4.3 组合预测模型的建立 | 第40-42页 |
| 4.3.1 组合预测模型的原理和方法 | 第40-41页 |
| 4.3.2 权重的选择 | 第41-42页 |
| 4.4 粒子群优化算法 | 第42-44页 |
| 4.4.1 粒子群优化算法的定义 | 第42页 |
| 4.4.2 粒子群优化算法过程及参数设置 | 第42-44页 |
| 4.5 组合预测模型和PSO-LSSVM模型的比较实验 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 基于云计算的电力系统短期负荷预测 | 第47-52页 |
| 5.1 引言 | 第47页 |
| 5.2 云计算技术 | 第47-49页 |
| 5.2.1 云计算的关键技术 | 第47-48页 |
| 5.2.2 主要云计算平台和典型应用 | 第48-49页 |
| 5.3 基于云计算的组合预测模型 | 第49-51页 |
| 5.3.1 模型的建立 | 第49-50页 |
| 5.3.2 预测结果分析 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 总结与展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第60-61页 |
| 附录B 历史数据 | 第61-63页 |
